論文の概要: Explainable AI for Predicting and Understanding Mathematics Achievement: A Cross-National Analysis of PISA 2018
- arxiv url: http://arxiv.org/abs/2508.16747v1
- Date: Fri, 22 Aug 2025 19:02:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.159276
- Title: Explainable AI for Predicting and Understanding Mathematics Achievement: A Cross-National Analysis of PISA 2018
- Title（参考訳）: 数学の達成を予測し理解するための説明可能なAI: PISA 2018の全国横断分析
- Authors: Liu Liu, Rui Dai,
- Abstract要約: 本研究は、数学の達成度を予測するために、PISA 2018データに説明可能な人工知能(XAI)技術を適用した。
我々は、Multiple Linear Regression(MLR)、Random Forest(RF)、CATBoost(CATBoost)、Artic Neural Networks(ANN)の4つのモデルをテストした。
主な予測者は、社会経済的地位、学習時間、教師のモチベーション、数学に対する学生の態度であった。
- 参考スコア（独自算出の注目度）: 6.208182583084874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the factors that shape students' mathematics performance is vital for designing effective educational policies. This study applies explainable artificial intelligence (XAI) techniques to PISA 2018 data to predict math achievement and identify key predictors across ten countries (67,329 students). We tested four models: Multiple Linear Regression (MLR), Random Forest (RF), CATBoost, and Artificial Neural Networks (ANN), using student, family, and school variables. Models were trained on 70% of the data (with 5-fold cross-validation) and tested on 30%, stratified by country. Performance was assessed with R^2 and Mean Absolute Error (MAE). To ensure interpretability, we used feature importance, SHAP values, and decision tree visualizations. Non-linear models, especially RF and ANN, outperformed MLR, with RF balancing accuracy and generalizability. Key predictors included socio-economic status, study time, teacher motivation, and students' attitudes toward mathematics, though their impact varied across countries. Visual diagnostics such as scatterplots of predicted vs actual scores showed RF and CATBoost aligned closely with actual performance. Findings highlight the non-linear and context-dependent nature of achievement and the value of XAI in educational research. This study uncovers cross-national patterns, informs equity-focused reforms, and supports the development of personalized learning strategies.
- Abstract（参考訳）: 学生の数学のパフォーマンスを形作る要因を理解することは、効果的な教育政策を設計する上で不可欠である。
本研究は,10カ国(67,329人の学生)の数学的達成度を推定し,重要な予測因子を特定するために,PISA 2018データに説明可能な人工知能(XAI)技術を適用した。
我々は、学生、家族、学校の変数を用いて、多重線形回帰(MLR)、ランダムフォレスト(RF)、CATBoost、人工ニューラルネットワーク(ANN)の4つのモデルを試した。
モデルはデータの70%(5倍のクロスバリデーション)でトレーニングされ、30%でテストされ、国によって成層化されました。
R^2と平均絶対誤差(MAE)で評価した。
解釈可能性を確保するため,特徴重要度,SHAP値,決定木を視覚化した。
非線形モデル、特にRFとANNは、RFバランス精度と一般化性でMLRを上回った。
主な予測要因は、社会経済的地位、学習時間、教師のモチベーション、学生の数学に対する態度であったが、その影響は国によって異なっていた。
予測スコアと実際のスコアの散乱プロットなどの視覚診断では、RFとCATBoostは実際のパフォーマンスと密接に一致していた。
発見は、達成の非線形的・文脈に依存しない性質と、教育研究におけるXAIの価値を浮き彫りにする。
本研究は、全国横断的なパターンを明らかにし、株式中心の改革を通知し、パーソナライズされた学習戦略の開発を支援する。
関連論文リスト
- Explainable AI and Machine Learning for Exam-based Student Evaluation: Causal and Predictive Analysis of Socio-academic and Economic Factors [1.2163458046014015]
学業成績は、社会学と財政学の多変量ネクサスに依存する。
本研究では,学生のCGPAを最適化するための効果的な戦略を開発するために,これらの影響について検討する。
論文 参考訳（メタデータ） (2025-08-01T17:09:49Z) - AI-based identification and support of at-risk students: A case study of the Moroccan education system [5.199084419479099]
学生の退学は、個人的、家族的、学術的要因に影響される世界的な問題である。
本稿では,退学リスクのある学生を識別するAIによる予測モデル手法を提案する。
論文 参考訳（メタデータ） (2025-04-09T13:30:35Z) - Understanding the Disparities in Mathematics Performance: An Interpretability-Based Examination [0.5266869303483376]
本研究は,数学性能の教育格差に寄与する複雑な要因を明らかにすることを目的とする。
低い社会経済的背景を持つ学生は少ない本を持ち、数学の成績が低いことを証明している。
ジェンダーもまた決定要因として現れ、メスはスペクトル全体のパフォーマンスレベルに異なる貢献をした。
論文 参考訳（メタデータ） (2025-01-29T00:44:01Z) - Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳（メタデータ） (2023-09-13T15:42:06Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Machine Learning Approach for Predicting Students Academic Performance
and Study Strategies based on their Motivation [0.0]
本研究は,学生の学業成績と学習戦略予測のための機械学習モデルの開発を目的とする。
モデル構築には,学生の学習過程に不可欠な重要な学習属性(内在的,外在的,自律的,関連性,能力,自尊心)が用いられた。
論文 参考訳（メタデータ） (2022-10-15T04:09:05Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Interpretable Knowledge Tracing: Simple and Efficient Student Modeling
with Causal Relations [21.74631969428855]
解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。
IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。
IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
論文 参考訳（メタデータ） (2021-12-15T19:05:48Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳（メタデータ） (2021-01-19T12:23:32Z) - Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring
Systems [64.4896118325552]
モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。
AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
論文 参考訳（メタデータ） (2020-07-14T03:49:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。